[发明专利]全血细胞计数在预测SARS-CoV-2感染中的应用

说明书

本发明涉及生物技术领域，具体涉及全血细胞计数在预测SARS‑CoV‑2感染中的应用，本发明实施了多种模型，应用决策树，K近邻算法，支持向量机和朴素贝叶斯进行分类，这些模型可以预测SARS‑CoV‑2，其中非住院患者在决策树模型中的AUC最高可达90％，而综合住院患者在支持向量机模型中的数据可以达到96％，本发明不仅使用从标准化全血细胞计数收集的数据，还与在相同数据集但使用不同模型的研究进行了比较，该比较表明，支持向量机和决策树的性能优于已公开研究中使用的模型，这可以在疾病表现的早期阶段使用生物标记物对SARS‑CoV‑2阳性与阴性之间进行初步筛选，由于其简单性和易于测量的参数，全血细胞计数的不同参数具有巨大的价值和吸引力。

技术领域

本发明涉及生物技术领域，具体涉及全血细胞计数在预测SARS-CoV-2感染中的应用。

背景技术

自2019年12月以来，COVID-19病毒株已引发公共卫生问题。感染会导致发烧，咳嗽， 精疲力竭以及中度至重度的呼吸道症状，如果非常严重的话，会导致患者死亡。3月11日， 世界卫生组织宣布病毒爆发为大流行。

为了证实出现COVID-19的人是否已经成功地脱出SARS-CoV-2，基于逆转录聚合酶链 反应(rt-PCR)的方法已成为主要标准。但是，综合各种因素考虑，包括无足够的工具用于 rt-PCR监测SARS-CoV-2的存在，阻碍了进行大规模的患者研究。与胸部CT扫描的结果相比，所用常规测试的准确度为80％，这还取决于样本检查时每个人特定的病毒脱落程度。此外，根据现有系统，从样品处理到建议患者的时间预计将花费数小时到数天。除了患者出现的广泛症状以及胸部CT症状和rt-PCR的结果之间存在差异之外，这些具体问题还表明，检查病毒的明确存在需要进行实质性的改变。尽管目前正在使用CRISPR和Biosensors来开发针对SARS-CoV-2的相当具体的测试，但这些开创性的应用将需要极其复杂的设备和资源。这将对不富裕的社区产生消极影响，这些社区将无法负担这些创新设备和资源，从而无法在 有限的时间内控制大流行。无需专用设备和服务筛查是一项全球性挑战。越来越多地开发机 器学习(Machine Learning,ML)和人工智能(AI)的方法，以协助正在进行的大流行中的临 床实践。

预测一个人的疾病早期是SARS-CoV-2阳性还是阴性，使用机器学习从全血细胞计数中 预测SARS-CoV-2(阳性/阴性)的检测结果目前还未有公开资料报道。

发明内容

本发明的目的在于提供全血细胞计数在预测SARS-CoV-2感染中的应用，通过机器学习 从全血细胞计数中预测SARS-CoV-2检测结果，为预测疾病早期是SARS-CoV-2阳性还是阴 性提供一种简单有效的方法。

本发明的技术方案为：

全血细胞计数在预测SARS-CoV-2感染中的应用。

本发明提供一种全血细胞计数预测SARS-CoV-2感染的机器学习方法，包括如下步骤：

S1：患者数据集收集；

S2：模型定义，采用机器学习模型进行比较；

S3：进行K倍交叉验证。

优选的，所述步骤S2中，模型中省略半重症监护病房和ICU的患者数据，中性粒细胞 也不包括在内。

优选的，所述步骤S2中，机器学习模型应用决策树，K近邻算法，支持向量机和朴素贝 叶斯四种分类器进行分类。

优选的，所述步骤S2中，每种模型的性能均以准确性，敏感性，特异性和AUC表示。

优选的，所述步骤S2中，各个模型的计算公式如下：

准确度：

敏感性：

特异性：